Wo KI Agenten im Unternehmen heute zuverlässig arbeiten & wo nicht

KI Agenten sind in deutschen Unternehmen vor allem ein Thema für die Planung. Laut Bitkom Umfrage vom September 2026 setzen 57 Prozent der Unternehmen KI ein. Eigenständig handelnde Agenten nutzt davon bisher nur ein kleiner Teil. Die Studie The state of AI 2025 von McKinsey zeigt ein ähnliches Bild für den internationalen Markt. Für Geschäftsführung und Marketing Leitung zählt deshalb eine praktische Frage. Welche Aufgaben übernehmen Agenten heute verlässlich, und wo braucht es eine menschliche Entscheidung?

KI Agenten handeln selbstständig in festen Grenzen

Ein KI Agent ist ein System, in dem ein Sprachmodell seine Arbeitsschritte und Werkzeuge selbst steuert ^[3]. Er sucht Informationen, ruft Programme auf und entscheidet über den nächsten Schritt. Ein Workflow folgt dagegen einem fest programmierten Ablauf, in dem das Modell einzelne Aufgaben erledigt ^[3]. Beide Formen lassen sich kombinieren und in Stufen ausbauen.

Anthropic beschreibt diesen Unterschied in seinem Leitfaden zu effektiven Agenten. Die Empfehlung lautet, mit der einfachsten Lösung zu beginnen und Komplexität nur bei Bedarf zu erhöhen ^[3]. Agenten lohnen sich dort, wo Flexibilität und Entscheidungen des Modells in größerem Umfang gebraucht werden. Mit mehr Autonomie steigt allerdings das Risiko, dass sich Fehler über mehrere Schritte addieren ^[3].

Bitkom beschreibt Agenten als Systeme, die selbstständig Preise vergleichen, Angebote einholen und Entscheidungen vorbereiten ^[1]. Ein klassischer Chatbot beantwortet dagegen nur Fragen, die ihm gestellt werden. Damit verschiebt sich auch die Verantwortung im Unternehmen. Ein Agent greift auf Systeme zu und löst dort Aktionen aus, die Folgen haben.

Agenten nutzen Werkzeuge über Schnittstellen

Ein Agent arbeitet nur so gut wie die Werkzeuge, auf die er zugreifen darf. Dazu gehören Suchfunktionen, Datenbanken, das CRM oder das Redaktionssystem. Für die Anbindung mit sauberen Rechten gibt es inzwischen offene Standards. Unser Beitrag zum Model Context Protocol als Standard für sichere KI Anbindungen erklärt den Aufbau. Jede neue Schnittstelle erweitert die Möglichkeiten des Agenten und zugleich seine Angriffsfläche.

Der Einsatz steht in den meisten Unternehmen am Anfang

Unter den Unternehmen, die KI nutzen oder planen, setzen laut Bitkom 11 Prozent bereits Agenten ein ^[1]. Weitere 29 Prozent planen den Einsatz, und 31 Prozent diskutieren ihn. Bitkom Präsident Ralf Wintergerst sieht Agenten heute dort, wo KI insgesamt vor drei Jahren stand ^[1]. Er erwartet aber eine ähnlich schnelle Verbreitung wie bei KI allgemein.

International berichten 23 Prozent der Befragten bei McKinsey, dass ihr Unternehmen ein agentisches System skaliert ^[2]. Weitere 39 Prozent haben mit ersten Experimenten begonnen. In keinem einzelnen Geschäftsbereich liegt der Anteil mit skalierten Agenten über 10 Prozent ^[2]. Am häufigsten laufen Agenten in IT und Wissensmanagement, etwa im Service Desk und bei der Recherche ^[2].

Die Leistung der Modelle steigt schnell, liegt aber noch unter dem menschlichen Vergleichswert. Deshalb braucht jeder produktive Agent einen Prüfschritt, der Fehler vor ihrer Wirkung erkennt.

Daten, Recht und Kosten bremsen den Ausbau

Unternehmen, die KI bereits nutzen, nennen laut Bitkom vor allem Datenschutz als Hemmnis ^[1]. Dahinter folgen rechtliche Verunsicherung mit 56 Prozent und Kosten mit 54 Prozent. Die Qualität der Ergebnisse nennt rund ein Viertel der Nutzer als Problem. Bei den Kosten führen Infrastruktur mit 51 Prozent und Datenaufbereitung mit 50 Prozent ^[1]. Die Integration in bestehende Systeme folgt mit 41 Prozent. Für Agenten wiegen diese Posten besonders schwer, weil sie auf saubere Daten und verbundene Systeme angewiesen sind.

Von der Recherche bis zum Content arbeiten Agenten mit Prüfschritten

Drei Aufgabenfelder eignen sich heute besonders gut für den Einsatz von Agenten. Sie teilen eine Eigenschaft: Das Ergebnis lässt sich gegen eine Quelle oder eine Regel prüfen. Der Agent liefert einen Vorschlag, und ein Skript oder ein Mensch kontrolliert ihn anschließend.

Recherche und Wissensarbeit

Agenten durchsuchen Websites, Dokumente und Datenbanken und fassen die Ergebnisse strukturiert zusammen. Sie arbeiten dabei viele Quellen in kurzer Zeit nach derselben Anweisung ab. Verlässlich wird die Recherche, wenn jede Aussage mit einer Fundstelle zurückkommt. Dann kann ein Mensch gezielt die Belege prüfen und muss nicht selbst suchen.

Wichtig ist dabei die Auswahl der Quellen. Der Agent bekommt eine Liste zugelassener Websites, Datenbanken oder Dokumente. Jede Fundstelle trägt ein Datum, damit veraltete Angaben auffallen. Widersprechen sich zwei Quellen, markiert der Agent den Konflikt und überlässt die Entscheidung dem Menschen.

Datenanreicherung und Abgleich

Bei der Anreicherung ergänzt ein Agent vorhandene Datensätze um fehlende Angaben. Typisch sind Website, Leistungen, Ansprechpartner oder eine Einordnung nach Branche. Der Agent arbeitet dabei Datensatz für Datensatz nach derselben Anweisung. Abweichungen fallen auf, weil sich die Ergebnisse gegen Regeln und den bestehenden CRM Bestand prüfen lassen.

Content mit festen Prüfschritten

Agenten schreiben Entwürfe entlang einer gesicherten Quelle, übersetzen und erzeugen Bilder. Die Qualität entsteht dabei aus der Kette der Prüfungen. Ein zweites Modell redigiert, ein Skript prüft Kriterien, und die Redaktion gibt frei. Für Inhalte, die in Suchmaschinen und KI Antworten auftauchen sollen, gelten zusätzliche Regeln. Sie stehen in unserem Beitrag zu GEO als Ergänzung zur klassischen Suchmaschinenoptimierung.

Diese Aufgaben eignen sich für Agenten, wenn vier Bedingungen erfüllt sind.

• Die Aufgabe ist klar abgegrenzt und wiederholt sich oft.
• Für jedes Ergebnis gibt es eine Quelle oder Regel zur Prüfung.
• Ein Fehler lässt sich vor der Wirkung erkennen und korrigieren.
• Der Agent braucht nur Leserechte oder schreibt in einen Entwurf.

Lange Dialoge & weite Rechte überfordern heutige Agenten

Schwierig wird es, sobald ein Agent über viele Schritte mit Menschen interagiert. In einem Benchmark von Salesforce AI Research (CRMArena-Pro) lösten führende Agenten rund 58 Prozent der Aufgaben in einem Durchgang ^[5]. In Dialogen über mehrere Runden fiel die Quote auf etwa 35 Prozent. Zudem zeigten die Agenten kaum ein eigenes Bewusstsein für vertrauliche Daten ^[5]. Gezielte Anweisungen verbesserten das, kosteten aber Leistung bei der Aufgabe selbst.

Zu viele Rechte als Sicherheitsrisiko

Die OWASP Stiftung führt übermäßige Handlungsfreiheit als eigenes Risiko für Anwendungen mit Sprachmodellen. Sie nennt drei Ursachen: zu viele Funktionen, zu weite Berechtigungen und zu viel Autonomie ^[6]. Manipulierte Eingaben aus Websites oder Dokumenten können einen Agenten dann zu schädlichen Aktionen verleiten. Hat der Agent Schreibrechte im CRM, betrifft eine solche Aktion direkt den Kundenbestand.

Projekte scheitern an Kosten und fehlender Steuerung

Gartner erwartet, dass bis Ende 2027 über 40 Prozent der Projekte mit agentischer KI eingestellt werden ^[7]. Als Gründe nennt Gartner steigende Kosten, unklaren Geschäftswert und unzureichende Risikokontrollen. Viele Anbieter etikettieren zudem bestehende Chatbots oder RPA Lösungen als Agenten um ^[7]. Nach Schätzung von Gartner bieten nur rund 130 der vielen Anbieter echte agentische Funktionen.

Langfristig rechnet Gartner trotz dieser Abbrüche mit Wachstum. Bis 2028 sollen mindestens 15 Prozent der täglichen Arbeitsentscheidungen autonom durch agentische KI fallen ^[7]. Im Jahr 2024 lag dieser Wert noch bei null. Für die Auswahl eines Anbieters lohnt deshalb ein genauer Blick auf die tatsächliche Funktionsweise.

Folgenreiche Entscheidungen zu Geld & Recht bleiben beim Menschen

OWASP empfiehlt, folgenreiche Aktionen erst nach der Zustimmung eines Menschen auszuführen ^[6]. Anthropic beschreibt Agenten, die an festen Kontrollpunkten pausieren und Rückmeldung einholen ^[3]. Beide Empfehlungen führen zum selben Muster für den Alltag. Der Agent bereitet vor, und ein Mensch entscheidet und verantwortet das Ergebnis.

Gartner warnt davor, alle Agenten nach demselben Regelwerk zu steuern. Bis 2027 werden laut Gartner 40 Prozent der Unternehmen autonome Agenten zurückstufen oder abschalten ^[8]. Der Grund sind Lücken in der Steuerung, die erst nach Vorfällen im Betrieb auffallen. Gartner empfiehlt deshalb Stufen der Autonomie mit jeweils eigenen Regeln. Auf der untersten Stufe liest ein Agent nur definierte Daten ^[8].

Freigaben fest im Ablauf verankern

Eine Freigabe wirkt nur, wenn sie technisch erzwungen wird. Der Agent speichert seine Ergebnisse deshalb als Entwurf, und erst ein Mensch setzt den Status auf veröffentlicht. Jede Aktion landet in einem Protokoll mit Eingabe, Quelle und Ergebnis. So lässt sich später nachvollziehen, warum der Agent eine bestimmte Entscheidung vorbereitet hat.

Im Kundenservice gilt diese Regel besonders, weil Antworten direkt beim Kunden ankommen. Wie automatisierte Tests falsche Zusagen verhindern, zeigt unser Beitrag zu Tests für KI Chatbots im Kundenservice.

Der Start gelingt mit einem eng geschnittenen Prozess

Ein guter erster Agent übernimmt eine Aufgabe, die heute viel Handarbeit kostet und sich gut prüfen lässt. Daten anreichern oder Quellen für Fachbeiträge recherchieren sind typische Kandidaten. Der Agent schreibt zunächst in einen Entwurf, eine Tabelle oder ein Testsystem.

Vor dem Start steht außerdem die Frage, woran der Erfolg gemessen wird. Geeignete Kennzahlen sind die Durchlaufzeit pro Vorgang und die Fehlerquote in der Stichprobe. Dazu kommt der Anteil der Ergebnisse, die ohne Nacharbeit freigegeben werden. Diese Werte zeigen nach wenigen Wochen, ob sich der Ausbau lohnt. Sie liefern zugleich die Grundlage für die Entscheidung über weitere Rechte.

Prozess auswählen und Kriterien festlegen

Vor dem ersten Lauf steht eine Liste mit Kriterien, an denen das Ergebnis gemessen wird. Dazu gehören Vollständigkeit, Quellenbezug, Tonalität und die Vorgaben zum Format. Ein Skript prüft möglichst viele dieser Kriterien automatisch. Der Rest geht an eine verantwortliche Person mit klarer Freigabe.

Verantwortung eindeutig zuordnen

Jeder Agent braucht eine Person, die für seine Ergebnisse geradesteht. Sie legt fest, welche Daten der Agent lesen darf und wohin er schreibt. Sie prüft regelmäßig Stichproben und entscheidet über Änderungen an der Anweisung. Außerdem definiert sie, bei welchen Fehlern der Agent anhält und an einen Menschen übergibt.

Kompetenz im Team aufbauen

Laut Bitkom schätzen 66 Prozent der Unternehmen die KI Kompetenz ihrer Belegschaft als gering ein ^[1]. Zugleich schulen 70 Prozent ihre Beschäftigten zu KI, unter den Nutzern sind es 91 Prozent ^[1]. Für Agenten reicht allgemeines Wissen über Chatbots nicht aus. Wer einen Agenten betreut, muss Anweisungen, Prüfkriterien und typische Fehlerbilder kennen. Diese Kenntnisse entstehen am schnellsten im ersten eigenen Projekt mit enger Begleitung.

Schritt für Schritt erweitern

Erst wenn die Ergebnisse stabil sind, wächst der Umfang. So bleibt das Projekt kalkulierbar, und der Nutzen lässt sich messen. Für den Ausbau empfehlen wir eine feste Reihenfolge in fünf Schritten.

• Einen Prozess mit hohem Aufwand und klarer Prüfbarkeit auswählen.
• Kriterien und Prüfskript vor dem ersten Lauf festlegen.
• Den Agenten nur mit Leserechten oder in einen Entwurf arbeiten lassen.
• Eine Stichprobe von Hand prüfen und Fehler in die Anweisung zurückführen.
• Rechte erst erweitern, wenn die Fehlerquote über mehrere Läufe stabil bleibt.

Wer eigene Werkzeuge mit KI baut, sollte dieselbe Disziplin auf den Code anwenden. Unser Beitrag zu Vibe Coding im Unternehmen und den nötigen Prüfungen beschreibt die Grenze zwischen Prototyp und Betrieb. Für die Umsetzung eigener Werkzeuge ist unsere Softwareentwicklung mit KI Integration der passende Einstieg.

Verlässliche Agenten entstehen aus klarem Prozess & Kontrolle

KI Agenten übernehmen heute Recherche, Datenanreicherung und Content zuverlässig, wenn Prüfschritte und Freigaben feststehen. Bei Geld, Recht und Außenwirkung bleibt die Entscheidung beim Menschen. Welcher Prozess sich für einen ersten Agenten eignet, klären wir gemeinsam in der KI Beratung von brandnew. Wenn du das prüfen willst, ist ein kurzes Gespräch der Anfang.